《数据分析与挖掘基础》教学大纲.PDF

《数据分析与挖掘基础》教学大纲 执笔人：姜鹏辉 一、课程基本信息 1．课程中文名称：数据分析与挖掘基础 2．课程英文名称： 3．课程类别：必修 4．适用专业：商务数据分析 5．总学时：48学时 （其中理论24 学时，实验24 学时） 6．总学分：3.0 学分 一、课程的性质与任务 课程性质：数据分析作为大数据技术的重要组成部分，近年来随着大数据技术逐渐发展 和成熟。数据分析技能，被认为是数据科学领域中数据从业人员都需要具备的技能之一。与 此同时，数据分析师也成为了时下最热门职业之一。而广义的数据分析包括狭义数据分析和 数据挖掘。狭义的数据分析是指根据分析目的，采用对比分析、分组分析、交叉分析和回归 分析等分析方法，对收集来的数据进行处理与分析，提取有价值的信息，得到一个特征统计 量结果的过程。数据挖掘则是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数 据中，通过应用聚类、分类、回归和关联规则等技术，挖掘潜在价值的过程。 课程任务：通过本课程的学习，重点使学生理解算法原理和思想，学会数据挖掘常用算 法及R 语言实现函数，为将来从事数据挖掘以及后续课程的学习和数据挖掘开发、科研业 务奠定基础。 二、课程的基本内容及要求 第一部分 分类与预测 1 教学内容 （1）回归分析之线性回归 （2）回归分析之逻辑回归 （3）决策树的基本流程和生成 （4）属性划分选择的度量 （5）决策树算法 （6）决策树算法的特点 （7）决策树模型欠拟合和过度拟合 （8）处理决策树的过度拟合：剪枝处理 （9）人工神经网络 （10）KNN 算法 （11）朴素贝叶斯分类算法 （BBN） （12）支持向量机算法 （SVM） （13）其他分类与预测算法 （14）评估分类模型的性能 2 教学重点 （1）预测与分类各算法原理和基本概念的理解 （2）了解算法的特点 （3）分类算法的评估 3 教学难点 （1）回归预测、决策树算法、神经网络算法、SVM 算法等重点算法的理解 （2）分清每个算法的特点 （3）分类算法的评估 4 基本要求 （1）理解各个算法的原理和基本概念 （2）掌握常用的算法，能够分清在不同的情况下运用哪种算法 （3）学会评价分类器的性能 第二部分 聚类分析 1 教学内容 （1）聚类分析的简介 （2）不同的聚类类型 （3）不同的簇类型 （4）K-Means 聚类分析 （5）系统聚类算法 （6）DBSCAN 算法 （7）其他聚类分析 （8）聚类分析算法评价 2 教学重点 （1）聚类各算法原理和基本概念的理解 （2）了解算法的特点 （3）聚类分析算法的评估 3 教学难点 （1）K 均值聚类、系统聚类、DBSCAN 算法等重点算法的理解 （2）分清每个算法的特点 （3）聚类算法的评估 4 基本要求 （1）理解各个算法的原理和基本概念 （2）掌握常用的算法，能够分清在不同的情况下运用哪种算法 （3）学会评价聚类算法 第三部分 关联规则 1 教学内容 （1）介绍关联规则 （2）关联规则的来源 （背景） （3）关联规则的实际意义 （4）常用的关联规则算法 （5）Apriori 关联规则 （6）关联规则的类型 （7）高级关联规则 （略） 2 教学重点 （1）关联规则的介绍和类型 （2）Apriori 关联规则算法 3 教学难点 （1）Apriori 关联规则算法的理解与运用 4 基本要求 （1）熟悉关联规则的背景与概念 （2）掌握Apriori 关联规则算法的原理与应用 第四部分 智能推荐 （与推荐系统有交集，但不能并集） 1 教学内容 （1）推荐系统概述 （2）推荐系统的架构 （3）开源推荐系统 （4）基